基于小波的SAR影像纹理分析

在分析SAR影像特征的基础上 ,引入了基于小波的纹理提取方法 ,并采用第二代提升小波与双正交小波对SAR影像进行小波二级分解 ,提取影像各尺度上的小波特征系数。对机载的SAR影像进行了纹理分析及分类 ,得出了不同小波的分类分析结果。     

基于变差函数和格网划分的居民区特征描述与提取

变差函数作为一种有效的结构特征描述方法,在高分遥感影像居民区提取中有较好的应用。然而,现有利用变差函数进行居民区提取的方法大多采用基于像元的移动窗口,当数据量较大时,计算效率较低,实用性较差,并且针对不同数据源描述纹理结构特征时选取参数的稳健性和有效性较差。为此,采用基于变差函数和格网划分的方法进行居民区的有效提取。首先,将原始影像规则划分为较小的格网单元,作为后续影像处理的基本单元;然后,依据选取的目标与背景样本计算纹理差值曲线,并基于该曲线选取最优纹理结构的特征描述参数;最后,利用计算得到的纹理特征从高分影像中提取居民区。实验结果表明,上述算法在对多种高分影像数据提取居民区时,具有更好的空间结构特征描述能力和较高的计算效率。     

结合双树复小波纹理特征和MRF模型的遥感图像分割

针对经典的小波纹理不能准确地表达影像纹理特征的问题,以及影像分割结果缺少对像元空间相关性和分布关系的考虑。本文提出了结合双树复小波（DT-CWT）纹理和马尔可夫随机场（MRF）模型的高分辨率遥感影像分割方法。首先,通过双树复小波变换提取影像纹理特征,联合光谱特征形成表达影像信息的混合特征向量;然后,将混合特征向量高斯归一化处理,并用K-means聚类的方法对特征空间中的混合特征向量聚类得到初始分割图;最后,借助马尔可夫随机场模型在初始分割结果中引入上下文信息,基于贝叶斯最大后验概率准则得到最终的分割结果。本文通过双树复小波纹理提高了特征表达的准确度,同时使用马尔可夫随机场模型减弱了分割结果中同质区域的“椒盐噪声”,从而进一步提高了高分辨率遥感影像分割的精度。     

基于Radon和树型小波变换的遥感影像居民地提取

针对频域变换的旋转不变纹理特征,提出Radon变换结合树型小波变换的纹理特征提取方法。以Radon变换处理影像将影像纹理的旋转转化成平移信息,对变换后的影像进行非完全树型小波变换。此时可以将能量作为旋转不变纹理特征,但得到的小波系数所携带信息较少,所以本文采用小波系数直方图作为纹理特征。采用此方法对居民地进行提取,实验结果表明利用该方法能得到比较有效稳定的旋转不变纹理特征,并且对不同的中小比例尺遥感影像都有较好的适应性。     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

多通道颜色信息融合与纹理影像检索

利用纹理特征进行遥感影像检索时,通常先将多波段影像转化为灰度影像再提取纹理特征,但由于忽略了影像的颜色信息,用于遥感影像检索时往往难以得到好的检索结果。针对此问题,该文利用Gabor小波构造多个相同方向不同尺度的滤波器以提取波段之间的差异信息,并与传统的纹理特征融合构成改进的纹理特征。实验结果表明,相比传统的纹理特征,改进的纹理特征对影像内容的描述能力更强,有效地改善了检索结果,提高了检索查准率。     

SPOT5影像纹理特征提取与土地利用信息识别方法

本文以太湖流域西苕溪上游安吉地区SPOT5影像600像元×600像元为试验区,首先采用主成分分析对SPOT5影像进行数据压缩和几何信息增强,再采用小波分析方法对影像进行滤波和噪音处理,利用灰度共生矩阵对高分辨率图像的纹理信息进行分析,以对比度和熵为统计指标,确定对比度和熵的最佳阈值,进行边界匹配和图像的分割,将此分割结果与NDVI阈值法分类结果进行叠合,得到最终的分类结果。试验结果表明:将纹理分析方法应用于图像分类中可区分光谱混淆的地物,光谱与纹理特征结合得到的分类精度高于单纯依靠光谱特征进行分类和单纯依靠纹理分类的分类精度。     

高分辨率遥感影像中云和似云目标的自动区分

云的存在会对遥感影像的处理及目标识别等产生影响,因此,自动提取云对高分辨率卫星影像的应用具有重要意义。高分影像上更加复杂的云的细节形态及似云目标的干扰,使得高分影像的自动云提取难以达到实用水平。本文以雪地为例,选取形状、纹理和边缘3个差异化特征作为云与似云目标区分的关键,提出了一种区分高分辨率遥感影像中云和似云目标的云检测算法。首先利用Wallis滤波对输入影像进行预处理,增强影像中不同尺度的影像纹理模式;然后对影像进行快速稳定的均值漂移分割,利用灰度和纹理特征构成支持向量机的第一层分类器,将分割后的区域对象分成"云"和普通地物,再利用边缘、形状、纹理等特征结合灰度特征构成支持向量机的第二层分类器,将"云"区分为云区和似云目标;最后使用Grab-cut对云检测结果进行边缘迭代精化。本文算法取得了优良的试验结果,证明了算法在似云目标干扰下对高分辨率遥感影像进行精确云检测的能力。     

小波滤波器及遥感影像分类

基于正交小波变换的特征,研究了小波滤波器的长度对影像分类的影响。并在不同滤波器长度下,对22幅遥感地貌纹理影像进行了分类试验,获得了较高的分类正确率。     

基于Contourlet变换的高空间分辨率遥感影像检索研究

本文在高空间分辨率遥感影像纹理特征提取研究中引入Contourlet变换,将不同尺度、不同方向子带系数矩阵的均值、方差和能量作为纹理特征,并为分类能力强的特征量赋予较大的权值,体现相应子带分类能力的差异性。以QuickBird影像为样本数据、采用五叉树分解策略的纹理检索实证研究表明,基于Contourlet变换提取高空间分辨率遥感影像纹理特征信息的效果优于Gabor小波变换。     

亚m级卫星TDI CCD立体测绘相机成像仿真

以三角网和贴面纹理影像为精细地面模型的数据构成,以亚m级TDI CCD(time delay and iintegration charge coupled devices)立体测绘相机为仿真对象进行成像仿真。通过建立每个像元的"视线目标索引"判断目标对相机和太阳的可见视性,进而生成阴影。将TDI CCD焦平面细分成很多子CCD,同时将积分时间细分,计算"连续焦面辐照度影像"并实现静态MTF仿真,然后得到"时间平均静态影像"。实现了多级积分条件下的霰粒噪声仿真和TDI CCD多级动态积分成像的仿真。推导了相机安装角和光学节点从平台坐标系到物方坐标系的转换公式,结合姿态参数和CCD畸变参数,实现了任意侧摆角度和相机安装角度的成像仿真。     

旋转和平移不变纹理特征的遥感影像居民地提取

本文利用Radon变换的小波系数直方图对遥感影像居民地进行提取。首先,通过Radon变换将纹理影像的旋转和平移转化为平移,然后对Radon变换后的影像进行小波变换,最后利用小波系数直方图作为旋转和平移不变特征进行纹理分割。实验结果表明:基于Radon变换的小波系数直方图方法对遥感影像居民地有较好的提取结果。     

基于小波变换的影像纹理特征提取试验

利用小波变换获取子图像的能量值来提取高分辨率遥感影像的纹理特征,采用了大量训练样本进行特征统计,揭示了小波变换用于遥感影像纹理特征提取的规律。     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。     

一种从SAR影像到光学影像的翻译方法

光学传感器在夜晚和云雨天气难以成像,合成孔径雷达（synthetic aperture radar,SAR）虽然能够全天时、全天候工作,但其成像难以理解,对此提出利用SAR影像翻译为光学影像的新思路来弥补二者的缺陷。给出了遥感影像翻译定义,提出一套包含图像理解、目标转换等环节的影像翻译技术流程。通过支持向量机分类、种子填充和基于样本的纹理合成算法等手段实现SAR影像典型目标向光学影像的转换与表达。最后,利用该方法实现了ENVISAT-ASAR转换为Landsat TM,ALOS PALSAR转换为GeoEye的两类影像翻译,并利用SAR影像翻译结果修补光学影像空缺。影像翻译和补缺实验证明了SAR影像翻译为光学影像的可行性和有效性。     

粗糙集高分辨率遥感影像面向对象分类

面向对象的高分辨率遥感影像分类已受到研究者们的广泛关注。本文提出一种基于粗糙集理论的面向对象分类方法以区分高分辨率遥感影像上的不同地物。首先,利用基于相位一致梯度与前景标记的分水岭变换进行影像分割,提取图像斑块;然后,利用Gabor小波提取斑块的纹理特征,进而根据粗糙集理论提取纹理分类规则;最后,在对象光谱特征的初步分类结果,根据纹理分类规则得到最终结果基础上。依据粗糙集理论只能处理离散属性数据,本文重点提出一种适用于面向对象分类的连续区间属性离散化方法。实验表明本文方法可取得较好分类结果与较高分类精度。     

一种多尺度几何细节抽取的阴影处理算法

从高分辨率航空遥感影像的阴影处理角度出发,分析了阴影区域在彩色空间上的特征;采用HIS彩色空间3个通道的联合阈值测度进行阴影检测,并利用高斯函数进行地物纹理几何细节的多尺度抽取,提出了针对影像灰度图的阴影补偿方法。实验证明,该方法能够在最大限度保留阴影区域原始特征的前提下,对阴影区域信息进行补偿,保证了影像后续处理的准确度和可靠性。     

Research on PoISAR Image Classification Based on SSVM Algorithm and Texture Feature Introducion

在极化SAR影像极化特征的基础上,引入影像的纹理信息,利用带核函数的SSVM算法对极化SAR影像进行分类研究。该方法首先利用精致LEE滤波器对极化SAR影像进行去噪处理;然后采用小波变换对去噪后的总功率影像Span进行纹理特征提取;最后将纹理信息和极化信息结合,并采用SSVM方法对极化SAR影像进行分类。利用NASA／JPLAIRSAR获取的L波段SanFrancisco海湾和荷兰中部Flevoland地区的影像对该方法进行验证,结果表明,SSVM算法可有效地用于极化SAR影像分类,且分类精度和分类效率都优于SVM算法。同时纹理信息的引入使SSVM算法的分类精度得到了进一步提高。     

引入纹理特征的SSVM算法在极化SAR影像分类中的应用

在极化SAR影像极化特征的基础上,引入影像的纹理信息,利用带核函数的SSVM算法对极化SAR影像进行分类研究。该方法首先利用精致LEE滤波器对极化SAR影像进行去噪处理;然后采用小波变换对去噪后的总功率影像Span进行纹理特征提取;最后将纹理信息和极化信息结合,并采用SSVM方法对极化SAR影像进行分类。利用NASA/JPL AIRSAR获取的L波段SanFrancisco海湾和荷兰中部Flevoland地区的影像对该方法进行验证,结果表明,SSVM算法可有效地用于极化SAR影像分类,且分类精度和分类效率都优于SVM算法。同时纹理信息的引入使SSVM算法的分类精度得到了进一步提高。     

结合显著图和深度学习的遥感影像飞机目标识别

为准确快速识别高分辨率遥感影像中的飞机目标,提出了一种结合显著图和深度置信网络(DBN)的飞机目标识别算法。本文首先使用HC(直方图对比度)算法提取遥感影像中的显著目标;然后通过定位连通区域确定候选目标的位置;随后提取候选目标的颜色矩、Hu不变矩、灰度共生矩阵、Tamura纹理特征和边缘方向直方图;最后将归一化后的多特征融合数据应用到深度置信网络进行目标识别。试验结果表明,本文算法的检测率为98.46%,虚警率为5.20%。算法从多种底层图像特征出发,有效克服了单一特征描述能力不足的问题,提高了飞机目标识别能力及抗干扰能力。